Havayolu operasyonlarında uçuş planlaması, yakıt gereksinimlerinin doğru tahmini ve operasyonel verimliliğin sağlanması kritik öneme sahiptir. Ancak uçak ağırlığı gibi bazı parametrelerin belirsizliği, yanlış yakıt hesaplamalarına ve maliyet artışına neden olabilir. SunExpress Havayolları bu sorunu ele almak için bir makine öğrenmesi modeli geliştirmiş ve uçakların yolcu ve bagaj ağırlığını daha doğru tahmin ederek operasyonel süreçlerini optimize etmiştir.

Proje, uçuş ağırlığını tahmin etmek amacıyla SunExpress Havayolları’nın verilerini kullanarak bir makine öğrenmesi modeli geliştirilmesiyle başlamıştır. Veri bilimciler ve mühendislerden oluşan ekip, veri toplama, model geliştirme ve sistem entegrasyonu süreçlerinde aktif bir rol almıştır. Model, rota, yolcu sayısı, bagaj ağırlığı, havalimanı karakteristiği, uçuş programı gibi parametreleri değerlendirerek uçuş başına ağırlık tahmini yapar. Proje kapsamında verimliliği artırmak için bir dizi ileri düzey teknik ve yöntem kullanılmıştır. İlk olarak, SunExpress Havayolları’nın tarihsel verileri toplanmış ve farklı kaynaklardan elde edilen bu veriler birleştirilmiştir. Veri önişleme (data preprocessing) ve öznitelik mühendisliği (feature engineering) süreçleri ile veriler düzenlenerek, daha temiz ve makine öğrenmesi için hazır bir veri seti oluşturulmuştur. Bu hazırlık aşamasının ardından, makine öğrenmesi modelleri geliştirilmiş ve mevcut uygulanan yöntemler ile performansları karşılaştırılmıştır. Çeşitli makine öğrenmesi algoritmaları arasında yapılan değerlendirmeler sonucunda, hata istatistikleri ve performans değerleri göz önünde bulundurularak Catboost algoritmasının en uygun model olduğu belirlenmiştir. Sistem, operasyon kontrol merkezi uçuş planlama sistemine entegre edilerek otomatik bir süreç haline getirilmiştir.

Proje, öncelikli olarak aşağıdaki gruplara hitap etmektedir:

1. Entegre Operasyon Kontrol Merkezi (IOCC): Daha doğru yakıt planlaması ve operasyon verimliliği için.
2. Yönetim Ekibi: Yakıt tasarrufu ve maliyet azaltma hedefleri için.
3. Çevresel Sürdürülebilirlik Paydaşları: Karbon emisyonunun azaltılmasıyla çevresel fayda sağlayan proje sonuçları için.
4. Endüstri Uzmanları ve Araştırmacılar: Havacılık sektöründe yenilikçi çözümler arayanlar için ilham kaynağı.

Geliştirilen makine öğrenmesi modeli, uçuş ağırlığını yüksek doğrulukla tahmin ederek:

• Uçak yakıt/ağırlık planlamasını optimize eder.
• Ağırlık planlamasına bağlı figürler üzerinde daha güvenilir veri sağlar, uçuş ekiplerinin uçuş planına duyduğu güveni artırır.
• Operasyon süreçlerini hızlandırır ve maliyet tasarrufu sağlar.

Model, yalnızca yakıt tüketimini azaltmakla kalmamış, aynı zamanda karbon emisyonlarını da düşürerek çevresel sürdürülebilirlik hedeflerine önemli katkılarda bulunmuştur.

Kullandığımız tasarruf ölçüm programı çıktılarına göre SunExpress aynı tipte uçakla operasyon yapan 13 havayolu arasından en iyi yolcu ağırlığı planlaması yapan 2. havayolu konumun yükselmiştir. Ayrıca yeni uygulamayla birlikte uçuş başı ortalama CO2 salınımında da diğer havayollarına kıyasla düşürmüş ve genele göre ortalama CO2 salınımı uçuş başı 2kg daha düşüktür. Öte yandan yakıt tasarruna bağlı bir ölçüm planlanan ve gerçek ağırlık arasındaki hata ağırlık değeri üzerinde yaklaşık uçuş başı 200 kg’lik bir iyileştirme sağlanmıştır.

Fark Yaratan Özellikler 

1. Yüksek Doğruluk: Geliştirilen model, uçuş başına ağırlık tahmininde %95’in üzerinde doğruluk oranına sahiptir.
2. Tam Otomasyon: Sistem, gerçek zamanlı veri akışını destekleyen bir yapıya sahiptir.
3. Sürdürülebilirlik Katkısı: Yakıt tüketiminde sağlanan tasarruf, karbon emisyonunu azaltmıştır.
4. Zengin Veri Kullanımı: Yolcu istatistiklerini, bagaj ağırlıklarını, uçuş rotalarını ve tarihlerini kapsayan zengin bir veri setiyle model eğitimi gerçekleştirilmiştir.
5. Entegrasyon Yeteneği: Gerçek zamanlı API servisi ile OCC’nin mevcut altyapısına kolayca entegre edilebilecek şekilde tasarlanmıştır.

Proje çıktıları, SunExpress’in uçuş operasyonlarında aktif olarak kullanılmaktadır. Uçuş planlama süreci şu şekilde işlemektedir:

1. Veri Alımı: Gerçek zamanlı olarak rota, yolcu ve bagaj bilgileri toplanır.
2. Model Çalıştırma: Makine öğrenmesi modeli, uçuş ağırlığını (ZFW – Zero Fuel Weight) tahmin eder.
3. Yakıt Hesaplaması: Modelden elde edilen tahminlere göre yakıt miktarı belirlenir.
4. Raporlama ve İzleme: Operasyon süreçleri düzenli olarak analiz edilerek modelin performansı izlenir.